一、研究背景

（一）政策背景

党的二十大报告明确提出 “促进数字经济和实体经济深度融合”，党的二十届三中全会进一步强调健全促进实体经济和数字经济深度融合制度。随着人工智能、大数据、云计算等新一代信息技术应用的日益深化，数字化转型已经成为提升实体经济效能、驱动经济高质量发展的强劲引擎。然而，数字化转型并非终点，而是迈向数智化的基础。在国家战略的指引下，数智化转型的推进亟需具体的实施抓手与落地框架，以破解从顶层设计到产业实践的衔接难题。工业和信息化部坚持将场景作为切入点，明确提出场景化、图谱化推进制造业转型升级的工作路径。2025年9月，工业和信息化部办公厅印发《场景化、图谱化推进重点行业数字化转型的参考指引（2025版）》，开展 “一图四清单” 的理论方法研究和行业场景图谱建设，即以系统化的行业转型场景图谱（简称行业场景图谱，即 “一图”）精准定位重点行业转型切入点和路线图，以体系化的数智化要素清单（包括转型所需的数据要素、知识模型、工具软件、人才技能，即 “四清单”）明确转型攻关重点，为工业场景数字化、数智化转型提供了具体实施框架，同时也为工业场景数智化标准化建设奠定了政策基础。

2025年10月，《中共中央关于制定国民经济和社会发展第十五个五年规划的建议》提出，推动技术改造升级，促进制造业数智化转型，发展智能制造、绿色制造、服务型制造，加快产业模式和企业组织形态变革。自此，数智化转型从产业自发探索上升为国家战略引导下的系统性工程，成为贯穿 “十五五” 时期制造业高质量发展的核心主线。

（二）技术趋势

数智化是大数据和人工智能相互叠加，赋能产业价值重塑和形态跃变的过程，是信息化和工业化深度融合的高阶形态与前沿方向。

从技术演进逻辑来看，这一演进并非技术层面的简单叠加，而是从数字化转型阶段的数据应用、系统集成、辅助决策的工具化赋能，向数智化转型的 “数据驱动、模型赋能、智能决策” 的价值化重塑跨越。

数智化强调数据与人工智能技术的深度融合，尤其是指工业大模型、生成式人工智能等技术与工业知识底座的结合，实现系统级的自适应、自学习和自优化。

从技术实现维度来看，数据 - 模型融合与大小模型协同已成为制造业智能化转型的共性技术趋势。通过数据 - 模型融合形成感知 - 分析 - 优化完整链路，借助大小模型协同实现 “轻量推理 + 深度决策”，构建 “数据驱动 - 模型赋能 - 智能决策” 的闭环体系，已成为制造业智能化升级的核心技术路径。工业垂域模型的多模态数据融合能力、泛化推理能力与小模型的低训练成本、快计算速度、简部署方式形成互补，共同支撑工业场景的智能化应用。

（三）场景需求

工业制造的高复杂性决定了其数智化转型难以形成完全模板化、标准化的实施路径，场景导向的精准突破成为实现转型落地的关键前提。这一高复杂性并非泛化概念，而是具体体现为工业制造数据资源、知识机理与应用任务的异构性，具体如下：

工业数据信息的 “异质性”：工业数据呈现来源分散、格式多样的特点，且不同场景下的数据采集频率、精度标准、时间戳规则存在显著差异，通用数据集合无法覆盖其差异化需求。这就要求以具体场景为边界，定义工业数据来源与关联规则，完成高质量的数据准备，为后续数智化应用奠定数据基础。

工业知识机理的 “隐性化”：工业领域的核心知识多以技术人员的 “隐性经验” 存在，涵盖 “手感”“听感” 等操作类感性知识、工艺专家的模糊决策知识以及人工多感官判断的特征类知识，这些知识难以被通用模型直接习得与转化。而从具体场景切入，可更加针对性地对特定领域知识进行结构化、模型化表达，构建形成场景的知识库与机理库，一方面为模型的场景化适配提供知识支撑，另一方面也能有效规避通用模型因工业知识缺失引发的 “模型幻觉” 问题。

工业任务要求的 “碎片化”：不同行业、生产环节、工序流程的运行机理与核心目标存在本质差异，叠加设备型号、工艺参数、痛点诉求的个性化特征，导致普适性的智能化解决方案难以实现有效适配。立足具体场景界定任务目标与业务流程，才能实现智能体的自主决策与执行，保障数智化应用的实际价值。

因此，以具体场景为突破口，精准匹配工业场景转型所需的数据、模型与应用，是破解工业制造异质性问题、推动数智技术在制造业全链条落地应用的核心路径。立足具体工业场景，通过技术与场景需求的精准适配，才能破解 “千厂千面” 的异质化转型困境。

二、工业场景数智化的共性流程与核心难点

（一）工业场景数智化共性流程和特性规范

工业场景数智化转型的核心逻辑是以特定场景需求为牵引，以数据为资源基础、模型为技术基座、智能体为执行载体，实现 “场景驱动、数据支撑、模型适配、智能落地” 的价值闭环。其实施需构建 “通用流程+场景特性” 的适配框架，并以 “场景解构-数据准备-垂域模型适配 - 场景智能化应用” 为标准化流程主线，同时通过嵌入特定场景的个性化规则完成定制化改造。

场景解构：聚焦业务边界与需求，通过场景业务逻辑梳理、核心痛点分析、升级目标与边界界定，嵌入特定场景的业务逻辑，完成特定场景的业务建模，为后续改造环节划清边界范围，是数智化转型的 “需求入口”。

数据准备：以场景需求为导向设计专用数据集框架，通过明确数据来源、模态与格式，搭建适配场景的采集体系，同步进行数据清洗、对齐并建设专用数据集合，嵌入 “特定场景的数据关联” 规则，实现特定场景的数据关联，为模型训练提供高质量数据基础，是数智化转型的 “资源基础”。

垂域模型设计与优化：围绕场景特性打造智能引擎，通过选择适配的基座模型、融入场景知识并迭代训练模型技术性能，完成特定场景的知识嵌入，构建具备场景适配性的垂域模型，是数智化转型的 “技术基座”。

场景智能化应用：通过分析特定场景数智化升级需求、针对性编排智能功能以及嵌入特定场景的感知对象、交互对象与执行对象，最终构建部署特定场景的智能体，实现数智化价值的业务闭环，是数智化转型的 “价值出口”。

（二）工业场景数智化的核心难点

工业场景数智化的落地需突破数据集、垂域模型、智能体应用等核心环节的技术与实践瓶颈，这些难点既源于工业系统的固有复杂性，也与数智化技术的工业适配特性紧密相关。

1.数据集：工业数据的清洗对齐与业务关联难题

工业场景数智化转型高度依赖高质量数据资源，但工业数据的多源异构特征和脏数据、标注难等问题给专用数据集建设带来巨大挑战。一方面，工业场景数据采集装置各异、采集频率不均、数据模态繁多，涵盖结构化的传感器数值、半结构化的日志和非结构化的图像文档等多种模态；另一方面，场景内异常、故障等高价值样本稀缺，数据存在大量异常或人为误差，数据质量与分布失衡。更为关键的是，工业场景内业务逻辑具有多环节关联性和动态变化性，时序数据缺乏场景业务逻辑关联，导致数据和业务难以强关联，数据对齐需要融合领域业务标识，从而进一步增加了数据集建设难度。

2.垂域模型：垂域模型知识适配与可信瓶颈问题

垂域模型作为场景数智化转型的算法引擎，具有强场景依赖、高专业门槛、深系统耦合的特性，其建设与应用面临多重难题。工业领域的场景知识呈现出高度碎片化特征且多处于隐性状态，包括工艺规则、机理知识、经验诀窍等，难以有效转化与表达；特定场景知识的特异性强，缺乏针对性学习方法，知识跨场景迁移存在困难，模型驱动与机理驱动的范式差异导致场景知识注入内嵌效果不理想。同时，工业过程对可靠性要求极高，而垂域模型的 “黑箱推理” 特性导致推理决策逻辑不可追溯，人工智能模型统计概率性与工业场景物理因果性存在冲突，模型可解释性和可信度难以满足工业应用要求。

3.智能体：智能体协同交互与动态管控难度问题

工业智能体作为场景数智化转型的实现载体，与底座模型、场景环境、设备实体、应用系统及其他智能体等异构对象交互频繁，其开发应用面临诸多挑战。复杂工业场景中 “人机料法环” 要素多元，“不确定性” 因素多，智能体与物理环境交互难度高，“感知 — 决策 — 执行” 闭环易断裂；复杂场景下不同智能体的目标函数、决策逻辑不一致，局部目标与全局目标存在失衡隐患，个体决策与整体优化可能脱节，导致任务分配与决策冲突难以协调。此外，智能体具有 “自主性、动态性、跨层级耦合性” 特征，需要实现 “数据 — 业务 - 模型 — 应用” 跨层级管控和 “规划 — 开发 — 测试 - 部署 - 退役” 全周期管控，场景的动态优化与智能体的全域管控的一致协调性难以保障。

三、工业场景数智化标准体系框架

为了应对上述工业场景数智化的核心难点，需要利用标准化的手段，将工业场景下的数据准备、模型适配和智能体开发的特性方法加以提炼、沉淀、固化，形成标准化、规范化的技术方法体系，以降低企业数智化转型的认知与实操门槛。

鉴于此，本章提出了一个覆盖典型场景数智化转型核心技术环节的标准化总体框架。该框架遵循 “数据筑基 — 模型赋智 — 应用赋能” 的总体思路，构建涵盖数据集框架、垂域模型、智能体等标准。三类标准相互衔接、动态交互，共同为工业场景数智化转型提供统一的技术基础。工业场景数智化标准体系框架如图 1 所示。

图1 工业场景数智化标准体系框架

•数据集框架类标准：覆盖数据集架构构成、数据表达规则、数据业务关联规则等内容，核心功能是完成工业场景数据的统一规范，为上层数智化功能提供标准化、结构化的 “数据要素支撑”。

•垂域模型类标准：包含场景知识要素、模型适配方法、模型可信评估等内容，其核心功能是实现数据与知识的融合转化，向上为智能应用提供 “智能推理引擎”。

•场景智能体类标准：明确智能体系统视图、技术机制、全周期管理等规范，其核心功能是将模型推理能力转化为场景执行能力，是数智化转型的价值落地载体。

面向特定的工业场景，构建相互配套的数据集、垂域模型、智能体标准，在场景数据层建立统一的数据资源秩序，向模型层输入具备高质量且适配应用场景的标准化数据；在场景模型层界定适配的模型训练方法，通过模型微调与知识嵌入，向应用层输出智能化的推理、分析能力；在场景应用层建立智能执行迭代机制，实现特定场景任务的自执行、自优化、自决策，并与数据层、模型层实现双向反馈，从而奠定场景数智化转型的统一技术秩序，实现特定场景下数据、模型与应用之间的动态适配。

四、工业场景数智化标准要点

（一）专用数据集框架标准化研究

聚焦特定工业场景下的多源异构数据、业务关联等难题，工业场景的专用数据集框架标准需围绕数据集组成要素、场景数据表示形式、场景数据关联规则以及数据集建设流程等维度展开，形成覆盖工业场景数据要素全生命周期的规范体系，支撑高质量数据要素供给。

一是定义数据集的构成和要素。通过界定场景数据范围、数据源、数据模态及数据阈值，明确数据集的核心构成与边界，避免工业数据的冗余或缺失。

二是给出场景数据表示规范。通过规范数据元的结构、语义、语义约束及上下文关联规则，统一数据的描述逻辑，消除跨主体的语义歧义，增强数据的场景适配性。

三是提出场景数据关联规则，构建实体、时间、空间、业务四大维度的关联规则，实现设备、时序、位置与业务流程的数据耦合，支撑数据与工业场景的深度嵌入。

四是明确专用数据集建设流程。形成 “场景需求分析 - 数据采集 - 数据处理 - 数据标注 - 质量检验 - 数据集维护” 的闭环流程，以场景需求为导向保障数据集从构建到更新的全生命周期质量，为工业数智化提供稳定适配的高质量数据资源。

（二）垂域模型标准化研究

聚焦特定工业场景下垂域模型适配训练的瓶颈问题，工业场景的垂域模型标准需要对特定场景的知识要素构成和模型适配微调方法进行规范，界定垂域模型的功能、性能和集成能力要求，构建模型可信评估体系，破解通用模型 “水土不服”、效果难以量化评估等问题，推动垂域模型在特定工业场景下实现规模化、可信化应用。

一是界定工业场景的知识要素构件。场景知识要素聚焦核心知识模型的界定与编码，明确核心知识模型类型，规范知识融合要求，建立知识要素分类与编码规则，实现知识要素的标准化管理与高效复用，为模型训练提供精准、系统的知识支撑。

二是给出垂域模型适配方法。垂域模型适配方法主要包括行业知识内嵌与任务适配微调两类。行业知识内嵌是将工业各垂域的专业知识、工艺规则、行业经验等注入模型，使其具备行业认知能力，此过程涉及工业领域知识库构建和跨场景知识融合，其核心包括工业领域知识库构建、跨场景知识融合等关键技术。任务适配微调针对工业场景具体任务，对模型进行针对性调优，确保其在特定任务上的性能达标，包括工业任务指令集微调、工业场景适配器微调。

三是规范垂域模型的技术能力。垂域模型能力要求全面覆盖功能、性能与集成三大维度。其中，功能能力要求主要包括智能问答、场景认知、过程决策等核心能力；性能能力要求明确推理时延、部署方式适配性、运行环境兼容性等量化指标；集成能力要求规范模型与软件工具、生产设备的集成接口、协议及适配标准。

四是给出垂域模型可信度评估指标与方式。垂域模型可信度评估包括适配性评估、可靠性评估与安全性评估等指标。其中，适配性评估指标包括任务可执行性、推理可溯源性、结果可解释性；可靠性评估指标涵盖输入扰动鲁棒性、运算执行稳定性、输出结果一致性等；安全性评估指标主要包括本质安全、数据安全、系统安全等。

（三）智能体标准化研究

聚焦特定工业场景下智能体协同交互与动态管控难题，工业场景的智能体标准需构建智能体的系统视图架构，规范 “感知 - 记忆 - 决策 - 执行” 技术机制，并建立覆盖开发、部署、协同与退役的全周期管理规则。

一是给出工业场景智能体的系统视图。明确工业场景智能体的多维度系统视图架构，实现对智能体的全面认知与规范设计。场景智能体系统视图涵盖业务视图、数据视图、功能视图与技术视图等核心维度，形成特定工业场景下智能体设计、构建、部署到应用的体系化实现蓝图。

二是规范工业场景智能体的技术机制。该技术机制主要包括智能体的感知机制、记忆机制、决策机制和执行机制。感知机制主要包括智能体在特定场景下的感知对象、感知频率、反馈规则、交互精度；记忆机制主要包括智能体在特定场景下的记忆检索规则与记忆更新策略；决策机制主要界定场景全局目标拆解方法、候选方案生成逻辑和最优方案评估标准，通过融入工业场景的约束条件，建立智能体决策追溯与容错规则，确保场景决策的精准性与可靠性；执行机制主要包括智能体在特定场景下的动作指令、过程监测、协作规则和应急处置方式。

三是给出工业场景智能体的全生命周期管理要求。明确智能体从需求解析、架构设计、功能设计、开发实现、部署与集成、测试与验证到运行与优化等环节的管控要求；明确特定场景下多类型智能体间的交互管控规则。

综上，通过研制面向工业场景的数据集框架类、垂域模型类、智能体类标准，可形成覆盖特定场景数智化转型全过程的标准化技术支撑体系，为特定工业场景数智化转型所需的数据要素供给、决策引擎构建与执行载体落地提供统一的标准依托，促进数智技术方法在同类工业场景中复制应用和规模化落地。

五、工业场景的数智化、标准化路径探索

（一）数智化场景的选择规则

工业场景数智化转型应遵循 “由易至难、试点引领” 的逻辑。优先探索的场景须具备适配数智化技术落地的共性特质，以便为后续场景拓展提供经验借鉴。结合实践规律，数智化优先探索场景主要呈现以下核心特性：

高数据密度：覆盖设备运行、工艺参数、环境变量等全维度工况状态数据，数据保持时序连续且时间戳标注规范，具备低噪声、低扰动的高质量特质，其数据体量与维度足以支撑模型训练、算法优化及智能决策的全流程需求。

低决策复杂度：任务目标相对单一且边界清晰，决策链条短，影响因素与关联业务可精准辨识与定义，约束条件与目标函数可通过数学表达式量化，能够直接转化为模型可求解的优化问题。

高标准化：场景业务逻辑清晰可定义，动作序列可通过流程图、时序图等工具建模，业务流程具备可复制、可复用的标准化特征，输入输出参数明确且操作流程相对固化，便于数智化系统快速适配。

低试错成本：低试错成本的场景在试错过程中产生的经济损失、安全风险、业务中断影响及合规成本均处于可控范围，具备小范围试点、快速迭代的条件，并支持智能应用从试点验证到规模化应用的平滑转化，从而有效控制试点风险、保障转型效益。

（二）工业场景的数智化、标准化研究矩阵

按照上述规则，可在多元异构的工业场景中，选择出可优先实现数智化实施并提炼形成标准化方法的典型场景。基于此，可构建形成 “优先场景×标准化方向” 的闭环标准化研究体系，横向覆盖典型数智化场景，纵向贯穿 “数据集框架-垂域模型 - 智能体应用” 三个核心标准化方向。工业场景数智化标准化研究矩阵如图2所示。

图 2 工业场景数智化标准化研究矩阵

1.横向维度

横向维度聚焦优先场景：

仿真设计场景：聚焦复杂工业产品的设计建模、多物理场仿真分析与迭代优化，该场景数智化标准需明确几何拓扑、物理属性、过程状态等数据要素的组织规范，规定融合机理与几何模型的垂域模型构建方法，界定创成式设计、智能仿真等智能体的开发应用要求。

生产排产调度场景：聚焦设备、人力、物料等核心资源的实时统筹与精准调度。该场景数智化标准需明确订单需求、生产资源、工艺依赖等数据要素的关联规则，规定动态调度优化垂域模型的建设方法，界定预测性排产、动态调度等智能体的开发协同要求。

设备预测性维护场景：聚焦设备故障预警与维护计划的智能优化。该场景数智化标准需明确设备运行传感、故障、维护记录等数据要素的采集处理规范，规定故障诊断、寿命预测垂域模型的构建评估方法，界定状态实时监测、维护方案生成等智能体的开发应用要求。

能源调度管控场景：聚焦能源安全稳定供应与高效低碳目标达成。该场景数智化标准需明确能源网络拓扑、供需实时数据等数据要素的表示规范，规定负荷预测、多能源协同优化垂域模型的构建流程，界定多能互补调度、能源实时自动控制等智能体的运行应用要求。

供应链订单管理场景：聚焦订单全生命周期的智能化闭环管理。该场景数智化标准需明确订单需求、库存、物流时效等数据要素的关联规范，规定需求预测、风险预警垂域模型的构建方法，界定智能分单、履约跟踪等智能体的开发应用要求。

2.纵向维度

纵向维度（标准化方向）对应 “数据集框架、垂域模型、智能体应用” 三大核心方向，针对每个场景分别制定三类标准。以数据集框架标准支撑场景数据的标准化治理，以垂域模型标准规范场景专用模型的建设，以智能体应用标准指导场景智能体的开发落地。

六、结论与展望

本文从制造业数智化转型的技术趋势和产业需求入手，分析了典型工业场景数智化转型的共性流程和核心痛点，提出了数据集框架、垂域模型、智能体 “三位一体” 的场景数智化标准体系总体框架，明确了数据集框架、垂域模型、智能体三类标准的核心要点和标准化实施路径。未来，需要进一步紧跟数据 - 模型融合、大小模型协同等前沿技术的发展趋势，推动标准内容与数智技术创新的协同演进与联动迭代，加速关键标准的预研论证与起草实施，为制造业数智化转型提供统一技术规范。

原文刊载于《数字化转型》2026年第4期  作者：国家工业信息安全发展研究中心 李君 唐毅强 窦克勤 刘劲松 陈博远 高旭